[发明专利]一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法

权利要求书

1.一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法，其特征在于，包括以下步骤：

1)将通过脑电设备采集的多通道脑电数据记为X,对所采集的多通道脑电数据X设置标签Y，标签Y具体包括以下为五类状态：

(1.1)癫痫发作情况:癫痫发作活动的受试者记录；

(1.2)第一正常状态:受试者在睁眼记录脑电图信号时的记录；

(1.3)第二正常状态:受试者在记录脑电图信号时闭上眼睛的记录；

(1.4)第三正常状态:采集受试者健康脑区脑电图信号记录；

(1.5)第四正常状态:记录受试者大脑肿瘤所在区域的脑电图信号；

将多通道脑电数据X和标签Y作为训练数据集{(X⁽ⁱ⁾，Y⁽ⁱ⁾)，i＝1,2，…，m}，m为训练样本数量；

2)对训练数据集进行预处理：将训练数据集中的脑电信号转为电极电压数字，并按照电极数量生成多通道脑电矩阵训练集{(S⁽ⁱ⁾，Y⁽ⁱ⁾)，i＝1,2，…，m}，用生成的脑电矩阵训练集{(S⁽ⁱ⁾，Y⁽ⁱ⁾)，i＝1,2，…，m}训练卷积神经网络和长短期记忆模型；

3)重复步骤1)，重新采集待检测多通道癫痫病人脑电信号H；

4)用步骤2)方法对待检测多通道信号H进行预处理，获得待检测的多通道脑电矩阵G；

5)将待检测的多通道脑电矩阵G输入到训练好的卷积神经网络和长短期记忆模型，得到分类结果Z；

6)根据模型分类结果Z，深度学习模型会对待检测病人脑电数据H的脑电类型即癫病和非癫病自动进行标记分类。

2.根据权利要求1所述的一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法，其特征在于，步骤2)的具体实施过程如下：

(2.1)通过深度神经网络表达脑电数据S⁽ⁱ⁾的全通道深度特征全通道深度特征为向量并反映多通道脑电信号的全局特征；

(2.2)将脑电数据S⁽ⁱ⁾进行归一化处理后，放入卷积神经网络后得到一个新的脑电信号全局特征；

所述卷积神经网络包括卷积层，池化层，全连接层，dropout layer层；所述卷积层有四个，分别是1×64，1×128，1×512，1×1024；池化层有一个1×2；全连接层有一个；dropoutlayer层有一个；

(2.3)将卷积神经网络得到的新的脑电信号全局特征放入LSTM网络模型；所述LSTM网络包括全连接层，dropout layer层，LSTM层，softmax层；所述全连接层有四个，分别是64,128,256个神经元；dropout layer层有一个；LSTM层有两个，64个神经单元；softmax层有一个二分类；

LSTM网络的基本单元包括遗忘门、输入门和输出门；遗忘门输入X_i与状态S_t-1、中间输出h_i-1共同决定状态记忆单元遗忘部分；输入门中的X_i分别经过sigmoid和tanh函数变化后共同决定记忆单元中保留向量；中间输出h_i由更新后的S_t与输出o_t共同决定，计算公式为：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i)

g_t＝φ(W_gxx_t+W_ghh_t-1+b_g)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o)

式中f_t，i_t，g_t，o_t和S_t分别为遗忘门、输入门、输入节点、输出门、中间输出和状态单元的状态；W_fx，W_fh，W_ix，W_ih，W_gx，W_ox和W_oh分别为相应们和输入x_t和中间输出h_t-1相乘的矩阵权重；b_f，b_i，b_g，b_o分别为相应门的偏置项；表示向量中元素按位相乘；σ表示sigmoid函数变化；φ表示tanh函数变化；

(2.4)最后的分类结果通过softmax分类器的特征融合函数获得；经过训练后，得到参数集合组成的卷积神经网络和长短期记忆模型。